作者：cola

雖然大多數(shù)現(xiàn)有的LLM提示工程只專注于如何在單個提示輸入中選擇一組更好的數(shù)據(jù)樣本(In-Context Learning或ICL)，但為什么我們不能設計和利用多個提示輸入來進一步提高LLM性能?本文提出上下文采樣(ICS)，一種低資源LLM提示工程技術(shù)，通過優(yōu)化多個ICL提示輸入的結(jié)構(gòu)來產(chǎn)生最有置信度的預測結(jié)果。

介紹

指令微調(diào)的LLMs，如Flan-T5、LLaMA和Mistral展示了通用的自然語言理解(NLI)和生成(NLG)能力。然而，解決實際任務需要廣泛的領(lǐng)域?qū)I(yè)知識，這對LLM來說仍然具有挑戰(zhàn)性。研究人員提出了各種激勵策略來探索LLM的能力。一個突出的方法是少樣本上下文學習(ICL)，通過向提示輸入插入一些數(shù)據(jù)示例，特別是對未見任務的能力提高了LLM的任務解釋和解決能力。最近的幾項工作研究了不同ICL設置的影響，包括數(shù)量、順序和組合。然而，最好的ICL策略還沒有共識。

本文假設不同的ICL為LLM提供了關(guān)于任務的不同知識，導致對相同數(shù)據(jù)的不同理解和預測。因此，一個直接的研究問題出現(xiàn)了:llm能否用多個ICL提示輸入來增強，以提供最可信的預測？為解決這個問題，本文提出上下文采樣(ICS)。ICS遵循三步流程:采樣、增強和驗證，如圖1所示。

ICS策略

給定一個自然語言任務指令和一個數(shù)據(jù)，指令微調(diào)的SOTA可以接受輸入，生成一個輸出，其中表示上下文中的注釋示例，是預測結(jié)果。

示例可以為LLM提供：

直接理解任務指令(I)和預期輸出

間接指導如何解決任務。

本文假設不同的ICL示例集為LLM提供了關(guān)于該任務的不同知識。因此，LLM可以根據(jù)不同的ICL提示輸入改變對相同數(shù)據(jù)的預測，但預測的變化最終將收斂到一個最可信的預測。

ICS的框架如圖1所示。

從未標記的數(shù)據(jù)池中采樣示例候選集并獲取注釋，

用不同的ICL組合增加標簽，

驗證置信度最高的標簽作為增強標簽的最終預測。

ICS方法是模型無關(guān)的且“即插即用”，可以以最小的工作量切換到不同的采樣、增強和驗證算法。

示例候選集采樣

從許多未標記的數(shù)據(jù)中采樣少量數(shù)據(jù)作為ICL示例，通常分為兩種類型:基于數(shù)據(jù)多樣性和基于模型概率。我們的策略堅持基于集群的策略(即核心集)，旨在識別代表所有未標記數(shù)據(jù)的示例，同時最大化這些選定實例的多樣性。該策略用句子轉(zhuǎn)換器編碼計算每個數(shù)據(jù)的余弦相似度，其中embed表示句Transformer Embedding。然后，根據(jù)相似度得分對候選樣本進行排序，并檢索個相同間隔的樣本集，以保證樣本集的多樣性。本文試圖確定樣本量和增強的ICL組合數(shù)量，在下面三個角度上取得平衡:

包含足夠的多樣性充分表示基礎數(shù)據(jù)，

置信預測具有魯棒性，

最小化注釋成本。

ICL組合增強

如圖1所示，ICS通過為要預測的相同數(shù)據(jù)構(gòu)建不同的ICL組合來增強標簽，然后獲得所有標簽中置信度最高的標簽。然而，如果要求LLM預測候選的每個組合，計算量可能會很大。我們認為，ICS不需要每個ICL組合來找到模型的最可信的標簽。類似于人類投票，少數(shù)代表代表更多的人口投票，我們計劃調(diào)查合理數(shù)量的“代表”，即及時的輸入。用一個隨機和基于數(shù)據(jù)多樣性的算法作為基準，用于示例增強，并研究了策略差異的影響。兩種方法都是從候選列表中迭代采樣次，其中基于多樣性的增強策略使用上述策略。然后對相同的測試數(shù)據(jù)查詢LLM次，得到個弱標簽，記為。

置信標簽驗證

既然我們從上述ICS步驟中獲得了一組標簽，就可以應用一些驗證算法來找到置信度最高的標簽，獲得了最可信的預測?？梢韵胂驣CL有潛力提供模型可信的無監(jiān)督標簽，以在資源匱乏的場景中迭代地微調(diào)LLM，這些場景中專家注釋難以訪問且昂貴。

實驗

實驗設置

采用了兩個SOTA LLMs FLAN-T5-XL和Mistral，并在三個難度越來越大的NLI任務上進行實驗:eSNLI、Multi-NLI和ANLI。排除了LLaMA-2的原因是初步實驗顯示了LLaMA-2在“中性”類別上有過擬合問題。我們使用vanilla ICL作為基線。利用隨機抽樣來構(gòu)建基礎ICS策略的ICS提示輸入，并使用多數(shù)代表方法來找到最可信的標簽。對每個提示輸入使用3個示例。操作ICS的兩個控制變量:采樣的代表性數(shù)據(jù)的大小，其中，以及每個待預測數(shù)據(jù)的增強示例組合的數(shù)量，其中，其中是ICL基線。對于真實場景，500個注釋是一個合理的預算。在10次試驗中取平均值。

對LLaMA-2進行分析

利用三種不同的自然語言指令，在ANLI上對LLaMA-2進行初始推理實驗:

確定一個假設是否是蘊涵的，中性的，矛盾的前提。

將一對前提和假設句分為三類:蘊涵句、中性句、矛盾句。

通過蘊涵、中性、矛盾來預測前提和假設之間的關(guān)系。

結(jié)果如表2所示，我們可以很容易地觀察到，盡管改變了指令，LLaMA-2傾向于過度預測其他兩個類別的"中性"，而真實分布是跨類別的。因此，我們在工作中省略了LLaMA-2。可能有不同的原因?qū)е铝诉@個問題;例如，LLaMA-2對NLI任務或共享同一組目標類別("蘊含"、"中性"和"矛盾")的類似任務進行了過擬合。

實驗結(jié)果

在圖2中，我們展示了時，基線ICL和我們的ICS策略對每個模型和數(shù)據(jù)集的預測精度?；€和我們的策略之間的標準差變化也用右縱軸的虛線表示。以隨機采樣策略為基準的ICS策略，可以不斷提高LLM在每個組合中的預測性能，證明了所提出的ICS管道的有效性。

此外，我們觀察到LLM對ICS有明顯的敏感性。具體來說，對于Flan-T5來說，ICS策略提供的精度提升遠小于Mistral，這可以歸因于Flan-T5可能會過擬合我們實驗的三個數(shù)據(jù)集或NLI任務。另一方面，Mistral證明了ICS策略對準確性的顯著提升，在所有數(shù)據(jù)集上的平均提升超過5%。當時，兩個模型的標準偏差減少得最多，當超過10時，增加的提供的性能改善開始逐漸減少。對于示例候選采樣，一旦超過100，精度的提高就不顯著。樣本量超過100可以被認為具有足夠的多樣性和代表性。

表3和表4報告了對FlanT5XL和Mistral-7b的完整評估結(jié)果。

消融實驗

使用Mistral-7B和性能最佳的設置:和。從3個NLI數(shù)據(jù)集中隨機采樣3000和1000數(shù)據(jù)作為訓練集和測試集。我們共進行了4種情況下的10次試驗，記為組合策略，其中RD為隨機策略，DS為基于數(shù)據(jù)相似性的策略。實驗結(jié)果如表1所示：

基于多樣性的示例候選采樣和組合增強策略可以有效提高ICL的性能。

總結(jié)

本文提出上下文采樣(ICS)，一種新的基于ICL的范式，用于探測LLM的最高置信度預測。實驗結(jié)果表明，與傳統(tǒng)的ICL方法相比，ICS方法提高了ICL的準確性，降低了標準偏差。還研究了不同樣本數(shù)量和ICL組合量的影響，然后進一步進行消融實驗，以說明基于ICS簡單但有效的數(shù)據(jù)多樣性采樣策略的有用性。

限制

本文的主要重點是提出并證明ICS的有效性。然而，盡管對不同的和組合進行了廣泛的實驗，但仍有幾個潛在變量需要進一步分析。例如，盡管我們考慮了3個不同難度的數(shù)據(jù)集，并且每個ICL組合是任意的，但3個數(shù)據(jù)集都是NLI任務。此外，只進行了一項基于數(shù)據(jù)多樣性的候選采樣和組合增強策略的小規(guī)模消融研究。并且我們的實驗原本打算由三個SOTA LLM組成，但由于LLaMA-2傾向于預測“中性”類別，因此不包括它。我們?nèi)杂懈鞣N其他的指令微調(diào)LLM沒有包括在這項工作中，如InstructGPT。

審核編輯：黃飛